L'utilizzo del runner interattivo Apache Beam con i blocchi note JupyterLab consente di sviluppare in modo iterativo le pipeline, ispezionare il tuo grafico delle pipeline e analizzare singole PCollection in un flusso di lavoro read-eval-print-loop (REPL). Per un tutorial che illustra come utilizzare il runner interattivo Apache Beam con i blocchi note JupyterLab, consulta Sviluppare con i blocchi note Apache Beam.
Questa pagina fornisce dettagli sulle funzionalità avanzate che puoi utilizzare con il blocco note Apache Beam.
FlinkRunner interattivo su cluster gestiti da blocchi note
Per lavorare in modo interattivo con dati di dimensioni di produzione dal blocco note, puoi utilizzare FlinkRunner
con alcune opzioni di pipeline generiche per indicare alla sessione del blocco note di gestire un cluster Dataproc di lunga durata e di eseguire le pipeline Apache Beam in modo distribuito.
Prerequisiti
Per utilizzare questa funzione:
- Abilitare l'API Dataproc.
- Concedi il ruolo di amministratore o editor all'account di servizio che esegue l'istanza del blocco note per Dataproc.
- Utilizza un kernel del blocco note con l'SDK Apache Beam versione 2.40.0 o successive.
Configurazione
Come minimo, è necessaria la seguente configurazione:
# Set a Cloud Storage bucket to cache source recording and PCollections.
# By default, the cache is on the notebook instance itself, but that does not
# apply to the distributed execution scenario.
ib.options.cache_root = 'gs://<BUCKET_NAME>/flink'
# Define an InteractiveRunner that uses the FlinkRunner under the hood.
interactive_flink_runner = InteractiveRunner(underlying_runner=FlinkRunner())
options = PipelineOptions()
# Instruct the notebook that Google Cloud is used to run the FlinkRunner.
cloud_options = options.view_as(GoogleCloudOptions)
cloud_options.project = 'PROJECT_ID'
Provisioning esplicita (facoltativo)
Puoi aggiungere le seguenti opzioni.
# Change this if the pipeline needs to run in a different region
# than the default, 'us-central1'. For example, to set it to 'us-west1':
cloud_options.region = 'us-west1'
# Explicitly provision the notebook-managed cluster.
worker_options = options.view_as(WorkerOptions)
# Provision 40 workers to run the pipeline.
worker_options.num_workers=40
# Use the default subnetwork.
worker_options.subnetwork='default'
# Choose the machine type for the workers.
worker_options.machine_type='n1-highmem-8'
# When working with non-official Apache Beam releases, such as Apache Beam built from source
# code, configure the environment to use a compatible released SDK container.
# If needed, build a custom container and use it. For more information, see:
# https://beam.apache.org/documentation/runtime/environments/
options.view_as(PortableOptions).environment_config = 'apache/beam_python3.7_sdk:2.41.0 or LOCATION.pkg.dev/PROJECT_ID/REPOSITORY/your_custom_container'
Utilizzo
# The parallelism is applied to each step, so if your pipeline has 10 steps, you
# end up having 10 * 10 = 100 tasks scheduled, which can be run in parallel.
options.view_as(FlinkRunnerOptions).parallelism = 10
p_word_count = beam.Pipeline(interactive_flink_runner, options=options)
word_counts = (
p_word_count
| 'read' >> ReadWordsFromText('gs://apache-beam-samples/shakespeare/kinglear.txt')
| 'count' >> beam.combiners.Count.PerElement())
# The notebook session automatically starts and manages a cluster to run
# your pipelines with the FlinkRunner.
ib.show(word_counts)
# Interactively adjust the parallelism.
options.view_as(FlinkRunnerOptions).parallelism = 150
# The BigQuery read needs a Cloud Storage bucket as a temporary location.
options.view_as(GoogleCloudOptions).temp_location = ib.options.cache_root
p_bq = beam.Pipeline(runner=interactive_flink_runner, options=options)
delays_by_airline = (
p_bq
| 'Read Dataset from BigQuery' >> beam.io.ReadFromBigQuery(
project=project, use_standard_sql=True,
query=('SELECT airline, arrival_delay '
'FROM `bigquery-samples.airline_ontime_data.flights` '
'WHERE date >= "2010-01-01"'))
| 'Rebalance Data to TM Slots' >> beam.Reshuffle(num_buckets=1000)
| 'Extract Delay Info' >> beam.Map(
lambda e: (e['airline'], e['arrival_delay'] > 0))
| 'Filter Delayed' >> beam.Filter(lambda e: e[1])
| 'Count Delayed Flights Per Airline' >> beam.combiners.Count.PerKey())
# This step reuses the existing cluster.
ib.collect(delays_by_airline)
# Describe the cluster running the pipelines.
# You can access the Flink dashboard from the printed link.
ib.clusters.describe()
# Cleans up all long-lasting clusters managed by the notebook session.
ib.clusters.cleanup(force=True)
Cluster gestiti da blocco note
- Per impostazione predefinita, se non fornisci alcuna opzione per la pipeline, Interactive
Apache Beam riutilizza sempre il cluster utilizzato più di recente
per eseguire una pipeline con
FlinkRunner
.- Per evitare questo comportamento, ad esempio per eseguire un'altra pipeline nella stessa sessione di blocco note con un FlinkRunner non ospitato dal blocco note, esegui
ib.clusters.set_default_cluster(None)
.
- Per evitare questo comportamento, ad esempio per eseguire un'altra pipeline nella stessa sessione di blocco note con un FlinkRunner non ospitato dal blocco note, esegui
- Quando crei l'istanza di una nuova pipeline che utilizza un progetto, una regione e una configurazione di provisioning mappata a un cluster Dataproc esistente, anche Dataflow riutilizza il cluster, anche se potrebbe non utilizzare il cluster utilizzato più di recente.
- Tuttavia, ogni volta che viene apportata una modifica al provisioning, ad esempio in caso di ridimensionamento di un cluster, viene creato un nuovo cluster per applicare la modifica desiderata. Se intendi ridimensionare un cluster, per evitare di esaurire le risorse cloud, pulisci i cluster non necessari utilizzando
ib.clusters.cleanup(pipeline)
. - Quando viene specificato un Flink
master_url
, se appartiene a un cluster gestito dalla sessione del blocco note, Dataflow riutilizza il cluster gestito.- Se il valore
master_url
è sconosciuto alla sessione del blocco note, significa che è preferibile unFlinkRunner
ospitato dall'utente. Il blocco note non fa nulla in modo implicito.
- Se il valore
Risoluzione dei problemi
Questa sezione fornisce informazioni per aiutarti a risolvere i problemi ed eseguire il debug dell'interfaccia interattiva FlinkRunner sui cluster gestiti da blocchi note.
IOEccezione Flink: numero di buffer di rete insufficiente
Per semplicità, la configurazione del buffer di rete Flink non è esposta per la configurazione.
Se il grafico dei job è troppo complicato o il parallelismo è impostato su un valore troppo alto, la cardinalità dei passaggi moltiplicata per il parallelismo potrebbe essere troppo grande, causare la pianificazione di troppe attività in parallelo e l'esecuzione non riuscire.
Usa i seguenti suggerimenti per migliorare la velocità delle corse interattive:
- Assegna a una variabile solo il
PCollection
da esaminare. - Controlla
PCollections
una alla volta. - Utilizza il riordinamento dopo le trasformazioni del fanout elevato.
- Regola il parallelismo in base alle dimensioni dei dati. A volte, più piccolo è, più è veloce.
L'ispezione dei dati richiede troppo tempo
Controlla la dashboard di Flink per il job in esecuzione. Potresti notare un passaggio in cui centinaia di attività sono state completate e solo una ne rimane una, perché i dati in corso si trovano su un'unica macchina e non vengono sottoposti a shuffling.
Usa sempre il riordinamento dopo una trasformazione di fanout elevato, ad esempio quando:
- Lettura di righe da un file
- Lettura di righe da una tabella BigQuery
Senza il riordinamento, i dati del fanout vengono sempre eseguiti sullo stesso worker e non è possibile sfruttare il parallelismo.
Di quanti lavoratori ho bisogno?
Come regola generale, il cluster Flink ha circa il numero di vCPU moltiplicato per il numero di slot worker. Ad esempio, se hai 40 worker n1-highmem-8, il cluster Flink ha al massimo 320 slot o 8 moltiplicato per 40.
Idealmente, il worker può gestire un job che legge, mappa e combina con il parallelismo impostato nelle centinaia, che pianifica migliaia di attività in parallelo.
Funziona con lo streaming?
Le pipeline in modalità flusso non sono attualmente compatibili con la funzionalità interattiva dei cluster Flink su blocchi note.
Trasmetti SQL e magia beam_sql
Beam SQL consente di eseguire query su PCollections
limitato e illimitato con istruzioni SQL. Se lavori in un blocco note Apache Beam, puoi utilizzare custom magic
beam_sql
di IPython per accelerare lo sviluppo della pipeline.
Puoi controllare l'utilizzo magico di beam_sql
con l'opzione -h
o --help
:
Puoi creare un PCollection
a partire da valori costanti:
Puoi partecipare a più PCollections
:
Puoi avviare un job Dataflow con l'opzione -r DataflowRunner
o --runner DataflowRunner
:
Per ulteriori informazioni, consulta il blocco note di esempio Apache Beam SQL in notebooks.
Accelera utilizzando il compilatore JIT e la GPU
Puoi utilizzare librerie come numba e
GPU per accelerare il codice Python e
le pipeline Apache Beam. Nell'istanza di blocco note Apache Beam creata con una GPU nvidia-tesla-t4
. Per l'esecuzione sulle GPU, compila il codice Python con numba.cuda.jit
. Facoltativamente, per velocizzare l'esecuzione sulle CPU, compila il codice Python nel codice della macchina con numba.jit
o numba.njit
.
L'esempio seguente crea un elemento DoFn
che viene elaborato sulle GPU:
class Sampler(beam.DoFn):
def __init__(self, blocks=80, threads_per_block=64):
# Uses only 1 cuda grid with below config.
self.blocks = blocks
self.threads_per_block = threads_per_block
def setup(self):
import numpy as np
# An array on host as the prototype of arrays on GPU to
# hold accumulated sub count of points in the circle.
self.h_acc = np.zeros(
self.threads_per_block * self.blocks, dtype=np.float32)
def process(self, element: Tuple[int, int]):
from numba import cuda
from numba.cuda.random import create_xoroshiro128p_states
from numba.cuda.random import xoroshiro128p_uniform_float32
@cuda.jit
def gpu_monte_carlo_pi_sampler(rng_states, sub_sample_size, acc):
"""Uses GPU to sample random values and accumulates the sub count
of values within a circle of radius 1.
"""
pos = cuda.grid(1)
if pos < acc.shape[0]:
sub_acc = 0
for i in range(sub_sample_size):
x = xoroshiro128p_uniform_float32(rng_states, pos)
y = xoroshiro128p_uniform_float32(rng_states, pos)
if (x * x + y * y) <= 1.0:
sub_acc += 1
acc[pos] = sub_acc
rng_seed, sample_size = element
d_acc = cuda.to_device(self.h_acc)
sample_size_per_thread = sample_size // self.h_acc.shape[0]
rng_states = create_xoroshiro128p_states(self.h_acc.shape[0], seed=rng_seed)
gpu_monte_carlo_pi_sampler[self.blocks, self.threads_per_block](
rng_states, sample_size_per_thread, d_acc)
yield d_acc.copy_to_host()
La seguente immagine mostra il blocco note in esecuzione su una GPU:
Per ulteriori dettagli, consulta il blocco note di esempio Utilizzare GPU con Apache Beam.
Crea un container personalizzato
Nella maggior parte dei casi, se la tua pipeline non richiede ulteriori dipendenze o eseguibili Python, Apache Beam può utilizzare automaticamente le sue immagini container ufficiali per eseguire il codice definito dall'utente. Queste immagini dispongono di molti moduli Python comuni e non è necessario crearle o specificarle in modo esplicito.
In alcuni casi, potresti avere dipendenze Python aggiuntive o anche dipendenze non Python. In questi scenari, puoi creare un container personalizzato e renderlo disponibile al cluster Flink per l'esecuzione. L'elenco seguente illustra i vantaggi dell'utilizzo di un container personalizzato:
- Tempi di configurazione più rapidi per le esecuzioni consecutive e interattive
- Configurazioni e dipendenze stabili
- Maggiore flessibilità: puoi configurare più dipendenze rispetto alle dipendenze Python
Il processo di compilazione del container potrebbe essere noioso, ma puoi fare tutto nel blocco note utilizzando il seguente pattern di utilizzo.
Crea un'area di lavoro locale
Per prima cosa, crea una directory di lavoro locale nella home directory di Jupyter.
!mkdir -p /home/jupyter/.flink
prepara le dipendenze Python
Quindi, installa tutte le dipendenze Python aggiuntive che potresti utilizzare ed esportale in un file dei requisiti.
%pip install dep_a
%pip install dep_b
...
Puoi creare esplicitamente un file dei requisiti usando la magia del blocco note %%writefile
.
%%writefile /home/jupyter/.flink/requirements.txt
dep_a
dep_b
...
In alternativa, puoi bloccare tutte le dipendenze locali in un file dei requisiti. Questa opzione potrebbe introdurre dipendenze indesiderate.
%pip freeze > /home/jupyter/.flink/requirements.txt
prepara le dipendenze non Python
Copia tutte le dipendenze non Python nell'area di lavoro. Se non hai dipendenze diverse da Python, salta questo passaggio.
!cp /path/to/your-dep /home/jupyter/.flink/your-dep
...
Crea un Dockerfile
Crea un Dockerfile con la magia del blocco note %%writefile
. Ad esempio:
%%writefile /home/jupyter/.flink/Dockerfile
FROM apache/beam_python3.7_sdk:2.40.0
COPY requirements.txt /tmp/requirements.txt
COPY your_dep /tmp/your_dep
...
RUN python -m pip install -r /tmp/requirements.txt
Il container di esempio utilizza l'immagine dell'SDK Apache Beam versione 2.40.0 con Python 3.7 come base, aggiunge un file your_dep
e installa le dipendenze Python aggiuntive.
Utilizza questo Dockerfile come modello e modificalo per il tuo caso d'uso.
Nelle pipeline Apache Beam, quando fai riferimento a dipendenze non Python, utilizza le relative destinazioni COPY
. Ad esempio, /tmp/your_dep
è il percorso del file your_dep
.
Crea un'immagine container in Artifact Registry mediante Cloud Build
Abilita i servizi Cloud Build e Artifact Registry, se non sono già abilitati.
!gcloud services enable cloudbuild.googleapis.com !gcloud services enable artifactregistry.googleapis.com
Crea un repository Artifact Registry per poter caricare gli artefatti. Ogni repository può contenere artefatti per un singolo formato supportato.
Tutti i contenuti del repository vengono criptati mediante chiavi di proprietà e gestite da Google o chiavi di crittografia gestite dal cliente. Artifact Registry utilizza chiavi di proprietà di Google e gestite da Google per impostazione predefinita e non è richiesta alcuna configurazione per questa opzione.
Devi avere almeno accesso come Writer Artifact Registry al repository.
Esegui questo comando per creare un nuovo repository. Il comando utilizza il flag
--async
e restituisce immediatamente, senza attendere il completamento dell'operazione in corso.gcloud artifacts repositories create REPOSITORY \ --repository-format=docker \ --location=LOCATION \ --async
Sostituisci i seguenti valori:
- REPOSITORY: un nome per il repository. Per ogni posizione del repository in un progetto, i nomi dei repository devono essere univoci.
- LOCATION: la località del repository.
Prima di eseguire il push o il pull delle immagini, configura Docker per autenticare le richieste per Artifact Registry. Per configurare l'autenticazione nei repository Docker, esegui questo comando:
gcloud auth configure-docker LOCATION-docker.pkg.dev
Il comando aggiorna la configurazione Docker. Ora puoi connetterti ad Artifact Registry nel tuo progetto Google Cloud per eseguire il push delle immagini.
Usa Cloud Build per creare l'immagine container e salvala in Artifact Registry.
!cd /home/jupyter/.flink \ && gcloud builds submit \ --tag LOCATION.pkg.dev/PROJECT_ID/REPOSITORY/flink:latest \ --timeout=20m
Sostituisci
PROJECT_ID
con l'ID del tuo progetto.
Utilizzo di container personalizzati
A seconda dell'esecutore, puoi utilizzare container personalizzati per scopi diversi.
Per l'utilizzo generale dei container Apache Beam, vedi:
Per l'utilizzo dei container Dataflow, consulta:
Disabilita indirizzi IP esterni
Quando crei un'istanza di blocco note Apache Beam, per aumentare la sicurezza, disabilita gli indirizzi IP esterni. Poiché le istanze di blocco note devono scaricare alcune risorse internet pubbliche, ad esempio Artifact Registry, devi prima creare una nuova rete VPC senza un indirizzo IP esterno. Quindi, crea un gateway Cloud NAT per questa rete VPC. Per ulteriori informazioni su Cloud NAT, consulta la documentazione di Cloud NAT. Usa la rete VPC e il gateway Cloud NAT per accedere alle risorse internet pubbliche necessarie senza abilitare gli indirizzi IP esterni.